Il 21 ottobre, a Berlino, il CEO di NVIDIA Jensen Huang ha scomposto un agente di intelligenza artificiale in cinque parti: il modello, l’impalcatura che lo fa lavorare (gli addetti ai lavori la chiamano harness), l’ambiente protetto in cui opera, la conoscenza e gli strumenti. Il modello, quello su cui si concentrano confronti e classifiche, è una parte su cinque.
NVIDIA vende l’hardware su cui quei modelli girano, quindi la sua parola va presa con cautela. Ma la stessa idea esce da fonti indipendenti, ed è quella che vedo da tempo nelle aziende che seguo: quando un progetto di AI si ferma, raramente è colpa del modello.
Il pilota che funziona nella demo
Le stime più citate vanno nella stessa direzione. Nel luglio 2024 Gartner prevedeva che almeno il 30% dei progetti di AI generativa sarebbe stato abbandonato dopo la prova di fattibilità entro la fine del 2025, per dati di scarsa qualità, controlli sui rischi inadeguati, costi crescenti o valore poco chiaro. Un rapporto preliminare del MIT, ripreso da Fortune nell’agosto 2025, parlava di circa il 95% di progetti pilota senza effetti misurabili sul conto economico, e ne attribuiva la causa più al modo in cui l’AI viene inserita nel lavoro che alla qualità dei modelli.
Nelle aziende che seguo il copione è spesso questo. La demo funziona: il modello riassume, scrive, risponde. Poi si prova a metterlo in un processo vero, tutti i giorni, e si scopre che nessuno ha mai scritto come quel processo funziona.
La conoscenza nella testa di una persona
Un caso che ho seguito. In un’azienda manifatturiera la pianificazione della produzione dipendeva da una sola persona, e le regole con cui la costruiva non erano scritte da nessuna parte. Nello stesso reparto un’altra persona passava ogni giorno diverse ore a ricopiare schede cartacee in un foglio Excel, per costruire gli indicatori che la direzione leggeva.
Un’AI che pianifica, lì, non avrebbe avuto niente da leggere. E un’AI che legge le schede avrebbe automatizzato un passaggio che andava prima ripensato. Non mancava il modello: mancava la conoscenza dell’azienda, in una forma che una macchina, e prima ancora un collega appena arrivato, potesse usare.
Prima i processi, poi l’AI
L’ordine che funziona, nelle aziende che seguo, tende a essere lo stesso, e non comincia dall’AI.
- Il mansionario. Chi fa cosa, messo per iscritto. Sembra burocrazia, ed è la base di tutto il resto.
- Le procedure su un foglio Excel. Per ogni attività, i passaggi come si fanno davvero.
- I processi. Chi fa cosa, quando, come, con quale strumento, e come comunica il risultato a chi viene dopo.
- L’implementazione. I processi scritti diventano strumenti: gestionale, automazioni, regole.
- Solo a quel punto, l’AI. Sui processi che portano via più tempo e dove il ROI è più alto.
Nella mia lettura, è anche il modo in cui si costruiscono le altre quattro parti di cui parlava Huang. La conoscenza è quella che hai scritto. Gli strumenti sono i sistemi che l’azienda usa già. L’impalcatura e l’ambiente protetto decidono che cosa l’agente può leggere, che cosa può fare e che cosa no.
Di chi è la conoscenza
C’è un’ultima ragione per partire da qui. A Berlino Huang ha detto che la conoscenza e gli strumenti di un agente appartengono all’azienda. Una conoscenza scritta, ordinata e tenuta in casa resta tua qualunque modello userai domani, e qualunque fornitore sceglierai. Un pilota costruito solo sul modello del momento rischia di fermarsi il giorno in cui il modello cambia, o il fornitore cambia le condizioni.
Il pilota che si ferma non è un fallimento dell’AI. È il segnale che l’azienda ha provato a saltare un passaggio.
